脚本怎样批量识别图片文字

wen 实用脚本 2026-06-28 246

自动化OCR工具与实战指南

📖 目录导读

为什么需要批量识别图片文字？
场景痛点分析：从纸质文档到数字化管理的效率革命
核心技术原理：OCR与脚本的完美结合
Tesseract、PaddleOCR等主流引擎对比
脚本批量识别全流程拆解
环境搭建 → 图像预处理 → 文字提取 → 结果输出
三大实战脚本示例
Python版（Tesseract）、Python版（PaddleOCR）、Bash版（ImageMagick）
常见问题与优化技巧
识别准确率提升、多语言支持、批量处理性能调优
SEO与场景延伸建议
如何让脚本识别结果被搜索引擎收录

💡 为什么需要批量识别图片文字？

痛点场景：

企业需要将上千份扫描合同转为可搜索的电子文档
自媒体运营者需要每日处理上百张截图中的文案
历史研究者需批量识别古籍PDF中的繁体中文

效率对比：

手动逐张OCR：100张图约需2小时
脚本批量自动化：100张图约需3分钟（误差率<5%）

核心价值：
通过脚本实现“图片→文本→结构化数据”的自动流转，将信息从视觉格式中解放，直接用于数据分析、搜索引擎索引或文档管理系统。

⚙️ 核心技术原理：OCR与脚本的整合

主流OCR引擎对比

引擎	特点	适用场景	开源/免费
Tesseract	老牌开源，支持100+语言，纯CPU运行	英文、印刷体、中等识别率	✅ 免费
PaddleOCR	百度开发，中文识别率极高，支持GPU加速	中文、手写体、复杂排版	✅ 免费
EasyOCR	轻量级，支持80+语言，内置预处理	多语言混合、移动端	✅ 免费
阿里云/腾讯云OCR	云端API，识别率最高	高精度场景、纸质文档	❌ 付费

脚本选型原则

Python：适合复杂逻辑（图像预处理、结果后处理）
Shell脚本：适合简单的批量调用（如配合ImageMagick）
PowerShell：Windows环境下调用Windows.Media.Ocr

🛠️ 脚本批量识别全流程拆解

环境搭建（以Tesseract为例）

# Ubuntu/Debian
sudo apt install tesseract-ocr tesseract-ocr-chi-sim
pip install pytesseract pillow
# macOS
brew install tesseract tesseract-lang
pip install pytesseract pillow

图像预处理（关键步骤）

from PIL import Image, ImageEnhance
def preprocess(image_path):
    img = Image.open(image_path)
    # 转为灰度图
    img = img.convert('L')
    # 增强对比度
    enhancer = ImageEnhance.Contrast(img)
    img = enhancer.enhance(2.0)
    # 二值化（阈值可调）
    img = img.point(lambda x: 0 if x < 128 else 255)
    return img

批量调用与结果输出

输入：文件夹内所有 .png / .jpg 文件
输出：按文件名生成的 .txt 文件，或汇总为一个CSV

📝 三大实战脚本示例

示例1：Python + Tesseract（通用型）

import os
import pytesseract
from PIL import Image
def batch_ocr(input_dir, output_dir):
    os.makedirs(output_dir, exist_ok=True)
    for img_name in os.listdir(input_dir):
        if img_name.endswith(('.png', '.jpg', '.jpeg')):
            img_path = os.path.join(input_dir, img_name)
            text = pytesseract.image_to_string(
                Image.open(img_path), 
                lang='chi_sim+eng'
            )
            txt_path = os.path.join(output_dir, img_name + '.txt')
            with open(txt_path, 'w', encoding='utf-8') as f:
                f.write(text)
batch_ocr('./images', './texts')

执行：

python batch_ocr.py

示例2：Python + PaddleOCR（高精度中文）

from paddleocr import PaddleOCR
import os
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
def batch_ocr_paddle(input_dir, output_dir):
    for root, dirs, files in os.walk(input_dir):
        for file in files:
            if file.lower().endswith(('.png', '.jpg', '.jpeg')):
                img_path = os.path.join(root, file)
                result = ocr.ocr(img_path, cls=True)
                text = '\n'.join([line[1][0] for line in result[0]])
                txt_path = os.path.join(output_dir, file + '.txt')
                with open(txt_path, 'w') as f:
                    f.write(text)
batch_ocr_paddle('./images', './texts')

注意：首次运行会自动下载模型（约100MB），建议使用GPU版本加速。

示例3：Bash + ImageMagick（轻量级）

#!/bin/bash
# 需要预先安装：tesseract, imagemagick
mkdir -p output
for img in images/*.{png,jpg,jpeg}; do
    if [ -f "$img" ]; then
        # 先预处理（调整对比度），再OCR
        convert "$img" -colorspace Gray -contrast-stretch 10%x90% temp.png
        tesseract temp.png "output/$(basename $img)" -l chi_sim+eng
        rm temp.png
    fi
done

❓ 常见问题与优化技巧

Q1：如何提高识别准确率？

图像质量：分辨率至少300dpi，确保字体清晰
预处理：去噪（中值滤波）、锐化、倾斜校正
语言包：-l chi_sim+eng 同时加载中英文
字体训练：必要时用Tesseract训练自定义字体

Q2：如何处理PDF文件？

先转为图片再处理：

from pdf2image import convert_from_path
pages = convert_from_path('doc.pdf', dpi=300)
for i, page in enumerate(pages):
    page.save(f'page_{i}.png', 'PNG')

然后对 page_*.png 批量OCR。

Q3：批量处理时内存不足怎么办？

逐张读取,不要一次性加载所有图片
使用生成器：yield 代替列表
限制并发数（如使用 ThreadPoolExecutor 控制最多4线程）

Q4：如何将结果直接写入数据库？

修改输出部分：

import sqlite3
conn = sqlite3.connect('ocr_results.db')
c = conn.cursor()
c.execute('CREATE TABLE IF NOT EXISTS ocr (filename TEXT, text TEXT)')
c.execute('INSERT INTO ocr VALUES (?, ?)', (img_name, text))
conn.commit()